How errors from prompt-assisted longitudinal tumour segmentation change RECIST 1.1 target-lesion response categories: a retrospective out-of-fold analysis

Resumen Técnico: Cómo los errores de la segmentación longitudinal de tumores asistida por prompts cambian las categorías de respuesta de lesiones diana según RECIST 1.1

Planteamiento del problema
Los Criterios de Evaluación de Respuesta en Tumores Sólidos (RECIST 1.1) son el estándar para evaluar la respuesta tumoral en ensayos oncológicos y en la atención clínica rutinaria. Estos dependen de que los clínicos midan las lesiones diana seleccionadas en el basal y en el seguimiento para calcular la Suma de los Diámetros Más Largos (SLD, por sus siglas en inglés) y asignar una categoría de respuesta (Respuesta Completa, Respuesta Parcial, Enfermedad Estable o Enfermedad Progresiva). Si bien la segmentación automatizada promete reproducibilidad y escalabilidad, pequeños errores en la delimitación de los bordes, el seguimiento de las lesiones o la detección pueden cruzar los estrictos umbrales definidos por RECIST 1.1 (por ejemplo, una disminución del 30% para la Respuesta Parcial), alterando potencialmente la categorización clínica.

Las investigaciones previas se han centrado intensamente en la "omisión de lesiones" (omisión) como el principal riesgo de seguridad. Sin embargo, las herramientas semiautomáticas que dependen de prompts del usuario aún pueden fallar de otras maneras: rastrear una lesión hacia una ubicación incorrecta, retener una lesión que se ha resuelto (persistencia falsa) o medir una lesión correctamente ubicada de forma inexacta. Este estudio aborda un vacío en la literatura al cuantificar con qué frecuencia estos tipos específicos de error cambian la categoría de respuesta de la lesión diana y si introducen un sesgo sistemático hacia un beneficio o daño aparente.

Metodología
Los autores realizaron un análisis retrospectivo fuera de la muestra (out-of-fold) utilizando el conjunto de datos público autoPET/CT longitudinal whole-body CT, que comprende pacientes con melanoma metastásico.

• Modelo y tarea: El estudio utilizó LongiSeg, un modelo de segmentación longitudinal asistido por prompts basado en un backbone de codificador residual de nnU-Net. La tarea se definió como "seguimiento asistido": el modelo recibió la TC basal, la máscara de la lesión basal del experto y un clic de localización para la exploración de seguimiento. Crucialmente, la máscara de seguimiento del experto fue retenida; el modelo tuvo que generar el contorno de seguimiento basándose en el prompt y el contexto basal.

• Protocolo de evaluación: Para garantizar una evaluación imparcial, el estudio empleó un enfoque estricto de paciente por paciente fuera de la muestra (OOF). Cada uno de los 258 pacientes evaluables para la respuesta fue procesado por un checkpoint del modelo entrenado con las otras cuatro particiones (folds) del cohorte de desarrollo de 300 pacientes, asegurando que las exploraciones del paciente nunca fueran vistas durante el ajuste de los pesos.

• Cálculo de la respuesta: El estudio se centró exclusivamente en el componente de la lesión diana de RECIST 1.1. Las dianas se seleccionaron a partir de las máscaras basales de expertos (hasta cinco en total, máximo dos por órgano/tipo de lesión). Se calculó la SLD tanto para la referencia del experto (basal del experto + seguimiento del experto) como para el modelo (basal del experto + seguimiento del modelo).

• Taxonomía y atribución de errores: Los desacuerdos entre las categorías de respuesta del modelo y la de referencia se descompusieron en cuatro tipos de error:

  1. Omisión por prompt: La lesión estaba presente en la referencia pero ausente en el modelo.
  2. Error de localización de seguimiento: La salida del modelo no se solapaba con la lesión de referencia.
  3. Persistencia falsa: El modelo retuvo una lesión que se había resuelto en la referencia.
  4. Error de medición (tamaño): El modelo y la referencia se solapaban, pero los diámetros medidos diferían.

  Para gestionar los casos con múltiples errores simultáneos, los autores utilizaron la atribución de Shapley de la teoría de juegos cooperativos. Este método promedia la contribución de cada tipo de error a través de todas las órdenes de corrección posibles para determinar cuánto impulsó cada tipo de error el desacuerdo de la categoría.

Resultados clave

• Tasa de desacuerdo: La categoría de respuesta de la lesión diana del modelo discrepó con la del experto de referencia en 43 de 258 pacientes (16,7%) (IC de Wilson al 95%: 12,6–21,7).

• Contribuciones de error: Utilizando la atribución de Shapley, el estudio encontró que ningún canal de error individual dominaba claramente los desacuerdos:

  • Error de medición (tamaño): Contribuyó con un 8,3% (IC 95%: 5,0–11,8).
  • Detección/Localización (omisión + localización errónea): Contribuyó con un 5,2% (IC 95%: 2,7–7,9).
  • Persistencia falsa: Contribuyó con un 3,1% (IC 95%: 1,2–5,4).

  Aunque el tamaño fue la mayor estimación puntual, no se separó estadísticamente del canal combinado de detección/localización (diferencia de +3,1 puntos porcentuales, IC 95%: −1,2 a 7,4).

• Dirección del sesgo: En un análisis post-hoc, 28 desacuerdos se movieron hacia un "beneficio aparente" (por ejemplo, Enfermedad Estable convirtiéndose en Respuesta Parcial) y 15 hacia un "daño aparente". Sin embargo, este desequilibrio no fue estable a través de diferentes reglas de selección de diana y no constituyó un sesgo confirmado hacia la inflación de las tasas de respuesta objetiva.

• Validación mediante simulación: Las simulaciones sintéticas de remuestreo de los errores de tamaño observados produjeron una tasa de cambio media ("flip rate") del 9,3% (intervalo central de simulación del 95%: 6,2–12,4), que engloba el 8,3% de contribución por tamaño observado. Esto sugiere que la magnitud de los errores de contorno observados en el modelo es suficiente para explicar plausiblemente la tasa de cambios de categoría atribuidos al tamaño.

Significancia y afirmaciones
El artículo afirma que el error de medición es un modo de fallo crítico, aunque a menudo pasado por alto, en la evaluación automatizada de RECIST. Los hallazgos desafían la suposición prevalente de que la detección (omisión) es la única o principal preocupación de seguridad. El estudio demuestra que incluso cuando un modelo localiza correctamente una lesión, pequeñas imprecisiones en los bordes pueden ser suficientes para desplazar la categoría de respuesta de un paciente.

Los autores enfatizan que estos resultados son específicos para:

1. Seguimiento asistido por prompt (no detección autónoma).
2. Errores de seguimiento condicionados por un basal correcto del experto.
3. Componentes de la lesión diana únicamente (excluyendo la enfermedad no diana y nuevas lesiones).
4. Una arquitectura de modelo específica (LongiSeg) evaluada internamente.

El estudio concluye que las evaluaciones futuras de los sistemas de respuesta automatizados deben auditar la precisión de los bordes y la precisión de la medición con el mismo rigor que la cobertura de las lesiones. Los autores piden confirmación independiente, particularmente respecto a la dirección de los desacuerdos, y señalan que sus hallazgos no prueban cambios en la toma de decisiones clínicas o en los resultados de los pacientes.